[发明专利]一种面向学术精准推荐的异质科研信息集成方法及系统

说明书

本发明公开了一种面向学术精准推荐的异质科研信息集成方法及系统，所述方法包括：对原始科研信息进行预处理，将异质的学术文献信息编码成向量模式，并构造随机异质的科研信息；对学术信息特征向量和异质科研信息进行编码，并构建学术编码映射模型；利用映射模型中的生成器，实现异质学术信息到完整科研特征向量的转化；将作者信息编码成稀疏的独热向量，并标记与科研特征向量的相关程度；利用独热向量、科研特征向量以及二者相关程度，训练协同过滤推荐模型，生成与作者相关的推荐集合；融合两种推荐结果，完成学术文献的精准推荐。本发明通过特征内容的比对和对作者的协同过滤，实现了异质科研信息补全与融合，以及科研学术内容的精准推荐。

技术领域

本发明涉及学术数据推荐，具体涉及一种面向学术精准推荐的异质科研信息集成方法及系统。

背景技术

随着互联网技术的迅速发展，各种科研期刊与出版物也逐渐从纸质媒介变成了在线存储的电子媒介，并且可以通过科研数据库等方式进行在线检索，为科研工作者提供了极大的便利。然而由于学术数据通常是由离散的个人或者组织自己产生，因此，不同的学术数据其结构差别十分大，不同学术数据质量参差不齐，异质的学术数据造成学术推荐难以实现精准定位；同一作者，同一论文在不同的网站，数据库的标注版本等有着较大的偏差，并且对于已经上传的数据，往往也不同程度的存在一些信息缺失，造成海量的异质学术数据，这些给科研检索以及相关学术推荐带来了巨大的困难。因此，如何对异质学术数据进行集成与融合，使得构造统一的学术信息结构是学术推荐的关键。

不同于传统的数据信息，学术数据往往需要更加细化的分类，才能实现精准的推荐，即使对于同领域的研究内容，不同的用户往往具有不同的倾向。例如，对于某一领域的初学者而言，综述类型以及科普类型的学术文献能够帮助快速了解领域知识；而对于深入该领域的研究专家而言，则需要推荐更加精深、专业性更强的学术文献。因此，基于学术数据的精准推荐不仅需要对文献数据具有准确的分类定位，也需要结合用户的特征进行推荐，才能实现更加精准的推荐效果。

现有的科研信息推荐方法往往针对某一个信息源进行推荐，未能很好的考虑到用户对于异质信息检索的客观需求。

发明内容

针对上述现有技术的不足，为提升学术科研推荐系统的性能，本发明提供一种面向学术精准推荐的异质科研信息集成方法及集成系统，利用生成式对抗学习与协同过滤的方法，针对异质科研信息进行处理，对于不同质量的信息进行细节补全，并对已有信息构建比对信息库，以实现针对科研内容与学者的精准智能推荐。

为了达到上述目的，本发明采用如下技术方案：

根据本发明的第一方面，提供一种面向学术精准推荐的异质科研信息集成方法，包括以下步骤：

S1、对异质的原始科研信息进行预处理，包括：分别将异质的学术文献信息编码成向量模式，并抽取语义相关的学术特征向量，用于编码训练；并对学术特征向量的一些条目进行随机置空，构造随机异质的科研信息；

S2、对于预处理获得的学术信息特征向量和异质科研信息进行编码，并构建学术编码映射模型，所述学术编码映射模型利用多重卷积层构建生成对抗网络，用于从异质的科研信息中获得完整特征向量的映射；

S3、利用生成对抗网络的生成器部分，实现异质学术信息到学术特征向量的转化，将异质、存在缺失条目的科研信息进行补全并生成完整的科研信息特征向量；

S4、将作者信息编码成稀疏的独热向量，并标记作者信息独热向量与科研信息特征向量之间的相关程度；

S5、利用作者信息独热向量、科研信息特征向量以及作者信息独热向量与科研信息特征向量之间的相关程度，训练协同过滤推荐模型，用于生成与作者相关的推荐集合；

S6、融合基于协同过滤的作者—文献相关性推荐以及基于生成对抗网络的文献—文献相关性推荐，得到最终的推荐结果，完成学术文献的精准推荐。